Determine si necesita más de una partición

Todas las balizas se derivan mediante particiones de forma predeterminada. En la configuración más sencilla, una baliza utiliza una sola partición. El uso de particiones adicionales es una decisión de ajuste que ayuda a corregir el sesgo, los valores calientes y la pérdida de frecuencia, pero también puede aumentar la dispersión de las consultas, ya que las consultas deben emitirse una vez por partición. En esta sección se explica cuándo es suficiente una sola partición y cuándo se deben configurar varias particiones.

Comience con la población y la uniformidad

Comience por evaluar el atributo que planea balizar:

• Tamaño de la población: la baliza debe derivarse de un campo con suficientes valores distintos (por ejemplo, al menos 32 valores únicos) para que la balización sea efectiva. Si no se cumple este requisito, aumentar el número de particiones puede ayudar a distribuir los valores de manera más eficaz.

• Distribución de frecuencias: utilice el análisis de uniformidad para evaluar si el atributo tiene una distribución prácticamente uniforme o si muestra un sesgo perceptible.

  Si un atributo tiene una distribución aproximadamente uniforme, una sola partición suele ser suficiente. Si la distribución está sesgada o contiene valores calientes claros, se recomienda configurar más de una partición.

Cuando se recomiendan varias particiones

Se recomienda configurar más de una partición cuando se den una o varias de las siguientes condiciones:

• Valores populares o balizas activas: un número reducido de valores aparece con mucha más frecuencia que otros (por ejemplo, un apellido muy común). Estos valores crean grupos muy grandes de balizas idénticas, lo que facilita su distinción de otros valores.

• Distribuciones de datos desiguales: algunos valores aparecen con mucha frecuencia, mientras que muchos otros aparecen solo unas pocas veces. Estos valores poco frecuentes no aparecen con la frecuencia suficiente como para mezclarse con otros, lo que dificulta su protección en grupos suficientemente grandes.

• Se requiere una longitud de baliza más larga: el uso de una longitud de baliza más larga mejora la precisión de las consultas, pero reduce la posibilidad de colisiones. La partición ayuda a mantener las colisiones al distribuir los valores entre varias particiones. Como cada partición tiene su propio espacio de baliza, el mismo valor puede colisionar con valores diferentes en distintas particiones, lo que ayuda a equilibrar la privacidad y la precisión.

• High-volume buscar por el atributo: el atributo se consulta con frecuencia y los falsos positivos son caros. La partición permite aumentar la longitud de la baliza para reducir los falsos positivos y, al mismo tiempo, mantener las protecciones de privacidad aceptables.

Cuando una sola partición es suficiente

El uso de una sola partición puede ser adecuado cuando:

• La distribución del atributo es aproximadamente uniforme y supera las comprobaciones de uniformidad.

• El atributo rara vez se utiliza como predicado de búsqueda, o los falsos positivos y la pérdida de frecuencia no son motivo de preocupación importante.

En estos casos, configurar el atributo con una sola partición es más sencillo y evita la necesidad de consultas adicionales.

En general, si un atributo es adecuado para la balización, pero presenta sesgos, valores altos o restricciones de anonimato que no se pueden cumplir con una sola partición, la configuración de varias particiones proporciona una solución más segura y flexible.